原標(biāo)題：亞馬遜云科技DeepRacer模型訓(xùn)練指南及標(biāo)準硬件配置流程

　　Amazon DeepRacer介紹

　　Amazon DeepRacer是一個綜合性的學(xué)習(xí)系統(tǒng)，可供各個水平的用戶用來學(xué)習(xí)和探索強化學(xué)習(xí)以及試驗和構(gòu)建自動駕駛應(yīng)用程序。

　　DeepRacer可分為兩個主要部分：

　　Amazon DeepRacer Console：在線訓(xùn)練和評估強化學(xué)習(xí)模型在模擬自動駕駛環(huán)境;

　　Amazon DeepRacer車輛：1/18比例的RC車輛，導(dǎo)入訓(xùn)練好的Amazon DeepRacer模型上運行推理用于自動駕駛。

　　本文從兩個主要部分討論DeepRacer的使用：

　　DeepRacer在線訓(xùn)練：從獎勵函數(shù)、賽車知識和強化學(xué)習(xí)參數(shù)3個方向出發(fā)，優(yōu)化模型線上及線下的性能;

　　DeepRacer物理賽車：提供DeepRacer硬件使用過程中的標(biāo)準流程，避免錯誤的配置流程導(dǎo)致性能不佳，包括：初次開箱配置、再次使用時的檢查流程，以及debug流程。

　　獎勵函數(shù)基本思想

　　DeepRacer底層技術(shù)基于強化學(xué)習(xí)，在強化學(xué)習(xí)中，agent(智能體)學(xué)習(xí)的目標(biāo)被表示為reward(收益)，收益通過environment(環(huán)境)傳遞給agent reward在每個時間點上是一個標(biāo)量。而agent的目標(biāo)，是最大化收到的總體reward。因此，與計算機中的貪心算法不同，強化學(xué)習(xí)的agent的目標(biāo)并非最大化當(dāng)前的reward，而是最大化長期reward的累計公式。

　　在DeepRacer訓(xùn)練中，模擬器通過給agent返回reward來與其交互，而agent根據(jù)reward來更新自己的策略。在《Reinforcement learning: An introduction》一書中，reward由狀態(tài)，動作和下一個狀態(tài)共同決定。

　　在強化學(xué)習(xí)項目中，reward function的設(shè)計是其中重點，也是最耗費時間的部分，因為在提高agent能力的同時，還要避免agent投機取巧，找到提高獎勵值的方法。

　　使用上面的獎勵函數(shù)，通�？梢杂�(xùn)練出一個比較穩(wěn)定的模型，然而DeepRacer競賽評判的標(biāo)準除了穩(wěn)定，還關(guān)注速度，因此，我們可以將更多的params提供的參數(shù)用上。

　　強化學(xué)習(xí)的參數(shù)理解

　　深度強化學(xué)習(xí)算法

　　DeepRacer的底層算法是深度強化學(xué)習(xí)，其中可以選擇的算法有兩個，我們可以根據(jù)訓(xùn)練的時間和賽道類型選擇合適的模型：

　　PPO(Proximal Policy Optimization)：基于Policy Gradient的思想，是主流的深度強化學(xué)習(xí)算法之一。PPO對樣本的利用效率較低，訓(xùn)練時需要大量樣本，魯棒性較高，對超參數(shù)不敏感，收斂效果較好。

　　SAC(Soft Actor-Critic)：基于DDPG的思想，與PPO相比，對樣本的利用程度更高，所需要的樣本數(shù)更少。但SAC魯棒性較低，對超參數(shù)敏感，收斂效果較差。

　　超參數(shù)

　　深度強化學(xué)習(xí)的底層是神經(jīng)網(wǎng)絡(luò)結(jié)合強化學(xué)習(xí)，因此我們可以配置的超參數(shù)分為2大類：

　　強化學(xué)習(xí)超參數(shù)

　　神經(jīng)網(wǎng)絡(luò)超參數(shù)

　　深度學(xué)習(xí)參數(shù)的簡介如下：

　　Gradient descent batch size：從經(jīng)驗緩沖區(qū)中隨機采樣的最近車輛經(jīng)驗數(shù)，用于更新基礎(chǔ)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)權(quán)重。

　　Number of epochs：在梯度下降期間，遍歷訓(xùn)練數(shù)據(jù)(經(jīng)驗緩沖區(qū)的隨機樣本)以更新神經(jīng)網(wǎng)絡(luò)權(quán)重的次數(shù)。

　　Learning rate：更新權(quán)重時，新權(quán)重的占比。

　　Entropy：不確定性概率，模型有一定概率選擇隨機探索。

　　Discount factor：未來獎勵對預(yù)期獎勵的影響程度。

　　Loss type：損失函數(shù)的類型。分為Mean squared error loss(均方誤差損失)和Huber loss(Huber損失)類型。

　　Number of experience episodes between each policy-updating iteration：經(jīng)驗緩沖區(qū)的大小，用于記錄過去的經(jīng)驗。

　　根據(jù)以上超參數(shù)的定義，有如下調(diào)參建議：

　　如果獎勵函數(shù)過于激進，導(dǎo)致模型不易收斂，可以嘗試降低learning rate或選擇huber loss，讓學(xué)習(xí)的過程更加平滑;

　　如果模型在過彎時反應(yīng)不夠靈敏，或轉(zhuǎn)彎時機總是比較晚，可以嘗試提高discount factor，讓模型更注重遠期獎勵;

　　反之，如果模型在過彎時過于靈敏，過早轉(zhuǎn)彎，可以嘗試降低discount factor，避免模型過于關(guān)注遠期獎勵，同時，也可以使用waypoints來解決;

　　Reward的延遲也要在discount factor的設(shè)置中考慮，如果reward設(shè)置的的延遲較高時，可以適當(dāng)提高discount factor值;而reward實時性較好時，可以降低discount factor值;

　　Batch size與epoch越大，模型在訓(xùn)練的權(quán)重更新則越平滑。但如果Batch size或epoch過大，會導(dǎo)致訓(xùn)練速度降低及收斂至局部最優(yōu)，因此可以聯(lián)合調(diào)試Batch size和epoch的值;

　　適當(dāng)增加經(jīng)驗緩沖區(qū)大小，會提升模型的收斂的穩(wěn)定性，如果模型始終不收斂或性能震動較大，可以嘗試適當(dāng)增加經(jīng)驗緩沖區(qū)的大小;

　　與PPO模型相比，在使用SAC模型時，建議使用更高的epoch來緩解算法本身對超參數(shù)敏感的問題;

　　如果模型訓(xùn)練過程中的性能提升過于緩慢，可以適當(dāng)增加entropy值，提升模型隨機探索的可能性;

　　如果模型的性能提升過于緩慢或變動較小，可以適當(dāng)增加entropy值;反之，如果模型在收斂過程中震蕩較大，可以適當(dāng)降低entropy值。

　　Action Space

　　Action space指的是agent可選的動作范圍，在DeepRacer訓(xùn)練配置中，可以選擇下面兩種action space：

　　Continuous action space：連續(xù)動作空間，提供速度和轉(zhuǎn)角的上下限，agent可在范圍中尋找合適的值;

　　Discrete action space：離散動作空間，提供action的組合(速度+轉(zhuǎn)角)。

　　通常情況下，continuous action space較難收斂，需要更多的訓(xùn)練時間和更精細的獎勵函數(shù)配置。

   投稿郵箱：chuanbeiol@163.com   詳情請訪問川北在線：http://dstuf.com/